KI lässt Azubis mehr Aufgaben anpacken. Nicht Meisterschaft

Ein IT-Auszubildender, der nie formal Machine Learning gelernt hat, kann mit einem KI-Assistenten heute eine Machine-Learning-Übung angehen. Das klingt nach einer Geschichte vom Verschwinden der Einstiegsarbeit. Ein randomisiertes Feldexperiment an deutschen Berufsschulen weist auf eine zweite Möglichkeit hin: KI kann Berufseinsteigern erlauben, in Tätigkeiten hineinzugreifen, die früher über ihrer Qualifikation lagen. Die schwierigere Frage lautet, was sie tatsächlich gelernt haben, wenn die Arbeit erledigt ist.

Ein Working Paper, das am 7. Oktober 2026 von Forschenden mit Anbindung an das Stanford Digital Economy Lab, das Bundesinstitut für Berufsbildung und weitere Institutionen veröffentlicht wurde, hat diese Idee getestet statt auf Prognosen zu setzen. In einem Feldexperiment mit 673 IT-Auszubildenden im Abschlussjahr an 12 deutschen Berufsschulen steigerte der Zugang zu ChatGPT und dem Internet die Punktzahl bei Aufgaben, die bewusst jenseits des Ausbildungscurriculums lagen, um 26 bis 31 Prozentpunkte.¹ Das ist ein Anstieg am Anteil der erreichbaren Punkte, kein 26-prozentiger Zuwachs bei Beschäftigung, Löhnen oder langfristigen Skills.

Das Ergebnis verkompliziert eine Debatte, die oft als Wahl zwischen „KI ersetzt Juniors“ und „KI hilft Seniors“ geführt wird. Es deutet auf einen dritten Weg: Wer eine solide berufliche Grundlage hat, kann anspruchsvollere Arbeit früher übernehmen. Ein toolgestütztes Ergebnis beweist aber nicht, dass die Person die Aufgabe selbstständig wiederholen, jeden Fehler erkennen oder das Wissen Monate später behalten könnte.

Das Experiment maß eine größere Aufgabe, nicht einen größeren Jobtitel

Die Auszubildenden kamen aus zwei etablierten deutschen Ausbildungsberufen: Fachinformatiker Anwendungsentwicklung und Fachinformatiker Systemintegration. Zunächst absolvierte jede Person eine Basisübung ohne KI. Anschließend wurden die Teilnehmenden zufällig entweder ChatGPT Pro plus weiterem Internetzugang oder einer Kontrollgruppe ohne Internetzugang zugewiesen. Sie bearbeiteten eine Aufgabe innerhalb des Curriculums und zwei darüber hinaus. Die fortgeschrittenen Übungen ähnelten Einstiegsarbeit in Software- und Netzwerktechnik, darunter Machine-Learning-Probleme und Hybrid-Cloud-Migration.¹

Die Forschenden bewerteten jede Antwort mit aufgabenspezifischen Rubriken. Über die drei Übungen nach der Zuteilung steigerte der KI-Zugang die Punktzahl um 26 bis 44 Prozentpunkte. Der größte Gewinn lag bei der Aufgabe innerhalb des Curriculums, bei der Vorwissen mit dem Tool kombiniert werden konnte. Bei den beiden bewusst anspruchsvolleren Aufgaben lagen die Zugewinne weiterhin bei 26 bis 31 Prozentpunkten. Die unterstützte Gruppe reichte zudem häufiger eine substanzielle Antwort bei Aufgaben ein, die ununterstützte Auszubildende oft leer ließen.¹

Das ist wichtig, weil viele Debatten zu KI und Beschäftigung von einer festen Aufgabenliste ausgehen und fragen, welche Posten sich automatisieren lassen. Dieses Experiment fragt, ob sich die Grenze der Aufgabenliste einer Person verschieben kann. Für diese IT-Übungen unter diesen Bedingungen lautet die Antwort ja. Es zeigt nicht, dass Arbeitgeber neue Stellen geschaffen haben, dass Qualifikationen überflüssig wurden oder dass die Auszubildenden unbeaufsichtigte Produktionsarbeit auf demselben Niveau leisten könnten.

Ermutigende Verständnis-Ergebnisse, mit einem großen Vorbehalt

Die Forschenden blieben nicht bei der Bewertung fertiger Arbeit stehen. Unmittelbar nach jeder Übung beantworteten die Auszubildenden vier Fragen, die ohne KI das Verständnis prüfen sollten. In der gepoolten Stichprobe erzielte die Gruppe mit KI-Zugang 6,7 Prozentpunkte mehr beim Verständnis innerhalb des Curriculums, 9,7 Punkte mehr bei der ersten fortgeschrittenen Aufgabe und 4,4 Punkte mehr bei der zweiten. Die Studie fand bei dieser unmittelbaren Verständnis-Messung keinen durchschnittlichen Rückgang.¹

Das ist ein nützlicher Beleg gegen die Annahme, jede unterstützte Antwort sei leeres Abschreiben. Es ist kein Beleg für dauerhaftes Lernen. Die Fragen kamen direkt nach der Aufgabe; die Studie testete nicht Wochen später nach und beobachtete keine unerwarteten Vorfälle am Arbeitsplatz. Die Behandlungsgruppe hatte zudem allgemeinen Internetzugang, die Kontrollgruppe keinen, sodass das Design den zusätzlichen Nutzen von KI gegenüber gewöhnlicher Online-Suche nicht isoliert. Die Autorinnen und Autoren benennen beide Grenzen.

Es gibt auch Gründe, einer einfachen Schlagzeile „KI verbessert das Lernen“ zu widerstehen. In einer gesonderten randomisierten Studie, die Anfang 2026 veröffentlicht wurde, untersuchten Judy Hanwen Shen und Alex Tamkin Programmiererinnen und Programmierer, die eine unbekannte Softwarebibliothek lernten. Sie stellten fest, dass KI-Unterstützung das konzeptionelle Verständnis, das Lesen von Code und das Debugging schwächen kann, besonders wenn Nutzende das Denken abgeben statt sich mit dem Material auseinanderzusetzen.² Diese kleinere Studie und das deutsche Ausbildungsexperiment prüften unterschiedliche Aufgaben, Teilnehmende und Outcomes. Sie widersprechen sich nicht direkt. Zusammen zeigen sie, warum unmittelbares Ergebnis, unmittelbares Verständnis und behaltene eigenständige Kompetenz getrennt gemessen werden müssen.

Die neue Kluft kann zwischen Zugang und wirksamer Nutzung liegen

Das deutsche Paper berichtet, dass 84 % der teilnehmenden Auszubildenden KI bereits regelmäßig in Schule oder Betrieb nutzten, aber nur 16 % angaben, den Umgang damit in der Berufsschule gelernt zu haben.¹ Auszubildende, die ihre eigene KI-Nutzungskompetenz über dem Median der Stichprobe einschätzten, profitierten im Schnitt stärker vom Zugang, besonders bei der Aufgabe innerhalb des Curriculums. Der Zusammenhang war stärker bei praktischen Fähigkeiten - KI zur Entscheidungsunterstützung und zur effizienten Erledigung von Arbeit zu nutzen - als bei bekundetem Wissen darüber, wie die Technologie funktioniert.

Zwei Vorsichtszeichen bleiben. Erstens war die KI-Kompetenzmaßzahl selbstberichtet und wurde nach den experimentellen Aufgaben erhoben; sie sollte nicht als saubere kausale Schätzung dessen gelesen werden, was ein Schulungskurs bewirken würde. Zweitens ist die Stichprobe ungewöhnlich spezifisch: IT-Auszubildende im Abschlussjahr in Deutschland, Durchschnittsalter etwa 23,5 Jahre, nur 9 % Frauen, in Berufen mit hoher Exposition gegenüber softwarebasierter KI. Von einem Auszubildenden im Einzelhandel, einer Pflegekraft oder einer Verwaltungsfachkraft in einer gemeinnützigen Organisation sollte man dieselben Zugewinne nicht annehmen.

Dennoch ist die institutionelle Lücke schwer zu übersehen. Das Tool steckt schon im Arbeitsablauf; der formale Lernweg hat nicht nachgezogen. Ein gemeinsamer Bericht vom August 2026, koordiniert von der Internationalen Arbeitsorganisation und europäischen Partnerinstitutionen, argumentiert, dass KI-Kompetenz zu einer Grundlagenfähigkeit wird, neben Urteilsvermögen und der Fähigkeit, KI sicher zu nutzen.³ Das ist eine politische Empfehlung, keine Garantie, dass ein Kurzseminar Expertise schafft. Die deutschen Befunde machen die Frage konkret: Wer bringt Menschen bei, aus unterstützter Leistung verlässliche, erklärbare Arbeit zu machen?

Was ein kleiner Arbeitgeber testen kann, ohne jede Stelle neu zu designen

Stellen Sie sich eine kleine gemeinnützige Organisation vor, die den Workflow einer Spenderdatenbank neu gestalten muss, oder ein 30-Personen-Unternehmen, dessen Junior-IT-Administrator eine komplexere Netzwerkmigration planen soll. Das sind hypothetische Situationen, keine im Experiment dokumentierten Fälle. In beiden könnte KI einer fähigen Mitarbeiterin erlauben, eine erste Lösung für ein Problem zu entwerfen, das früher an externe Spezialisten ging. Die Entscheidung lautet nicht, ob man der ersten Antwort traut. Sie lautet, wie man prüft, ob die Person sie beurteilen kann.

Ein sinnvoller Pilot würde drei Stufen trennen. Erstens eine Stretch-Aufgabe mit einer erfahrenen Prüferin und klaren Abnahmekriterien definieren. Zweitens die Person KI nutzen lassen und Annahmen, Quellen, Unsicherheiten und Entscheidungen festhalten, nicht nur das fertige Ergebnis. Drittens das Tool für eine kurze Erklärungs- oder Fehlersuche-Übung entfernen und dieselbe Fähigkeit später erneut prüfen. Messen Sie die Korrektheit des Ergebnisses, die Prüfzeit und das, was die Person erklären oder reproduzieren kann. Dieses Design ist eine redaktionelle Empfehlung, gestützt auf die Forschung, keine vom deutschen Experiment validierte Intervention.

Dieser Ansatz zeigt auch, wo die Ökonomie gegen eine Organisation kippen kann. Wächst die Arbeit schneller, als jemand sie prüfen kann, kann der scheinbare Produktivitätsgewinn zu einem Qualitäts- oder Sicherheitsrisiko werden. Behandeln Führungskräfte jeden KI-gestützten Erfolg als Beweis seniorer Kompetenz, riskieren sie, Verantwortung schneller zu vergeben, als sich Urteilsvermögen entwickelt. Verbieten sie die Tools vollständig, können sie fähigen Mitarbeitenden die Chance nehmen, anspruchsvollere Arbeit zu versuchen. Die Wahl steht nicht zwischen blinder Delegation und pauschaler Sperre.

Breitere Arbeitsmarktbefunde zeigen in beide Richtungen. Die PwC-Analyse von Stellenanzeigen vom Juni 2026 fand, dass stark KI-exponierte Junior-Rollen häufiger traditionell seniore Skills wie Urteilsvermögen und Führung verlangten.⁴ Das ist eine Beobachtung zu Einstellungsmustern, kein Beweis, dass KI jede Veränderung verursacht hat. Forschung des ifo Instituts auf Basis von Arbeitgeber-Paneldaten berichtet zudem, dass ausbildende Betriebe mit KI-Einsatz im Schnitt etwa 14 % mehr neue Auszubildende einstellten, während der Zugang zu Weiterbildung zunehmend auf anspruchsvollere Tätigkeiten konzentriert war.⁵ Keines der beiden Ergebnisse garantiert einen leichten Übergang für Menschen mit weniger Lernchancen.

Die eigentliche Qualifikation ist die Fähigkeit, Verantwortung zu tragen

Das deutsche Experiment ist eine nützliche Korrektur am Fatalismus über Nachwuchskräfte. In einem kontrollierten Setting erlaubte KI Auszubildenden, anspruchsvollere Aufgaben anzugehen und unmittelbare Verständnisfragen mindestens so gut zu beantworten wie ihre ununterstützten Peers. Das ist ein echter Beleg für erweiterte unterstützte Leistungsfähigkeit. Es ist keine Lizenz, den Unterschied zwischen einer Aufgabe mit Unterstützung und der Verantwortung für das Ergebnis zu tilgen.

Für Führungskräfte, die entscheiden, was automatisiert und wer entwickelt wird, ist die praktische Frage schärfer als „Kann KI diese Aufgabe?“. Sie lautet: Kann diese Person KI nutzen, um eine schwerere Aufgabe zu übernehmen, die Begründung erklären, Fehler erkennen und die kritischen Teile irgendwann ohne das Tool leisten? Bauen Organisationen diese Progression bewusst auf, könnte KI den Weg in qualifizierte Arbeit erweitern. Verwechseln sie die fertige Antwort mit erworbener Expertise, können sie ihn stattdessen verengen.

Wie hilighter helfen kann

Stretch-Aufträge funktionieren nur, wenn Rollen, Skills und Kompetenznachweise sichtbar sind. hilighter hilft Teams, Skills nach Rolle zu erfassen, Menschen und Anforderungen über Skills & Talent Insights zu vergleichen, Arbeit und Lernen in Skill-Nachweise & Anerkennung sichtbar zu machen, individuelle Entwicklungspfade festzulegen und einen indikativen Überblick über die möglichen Auswirkungen von KI auf Jobs zu erkunden. Ein kostenloser Tarif deckt bis zu drei Rollen ab.

Quellen

1. Brosch, H., Langer, C., Lergetporer, P., Mueller, S., Pfeifer, H. and Tschoepe, N., Task Expansion with Generative AI: Experimental Evidence on Middle-Skilled, Early-Career Workers, Stanford Digital Economy Lab / IZA Discussion Paper 18999, 7. Oktober 2026.
2. Shen, J. H. and Tamkin, A., How AI Impacts Skill Formation, arXiv preprint, 28. Januar 2026 (revidiert 1. Februar 2026).
3. International Labour Organization and partner institutions, Changing landscape of skills in the age of AI, 13. August 2026.
4. PwC, 2026 AI Jobs Barometer, 15. Juni 2026.
5. Muehlemann, S., KI in Betrieben: Mehr Ausbildung - aber Weiterbildung zunehmend fuer anspruchsvollere Taetigkeiten, ifo Schnelldienst 79(3), 2026.

Quellen zuletzt geprüft: 26. Oktober 2026. Das Stanford-/IZA-Paper ist ein Working Paper aus einer spezifischen Stichprobe deutscher IT-Ausbildung; Verständnis wurde unmittelbar nach den Aufgaben gemessen, nicht als langfristige Retention.